Usamos datos para

Ciencia de datos

• Un campo interdisciplinario que trata de extraer conocimiento o ideas nuevas de los datos.
• Los datos pueden
  • Provenir de múltiples fuentes
  • Tener diversos niveles de calidad
  • Ser completos o parciales
  • Estar estructurados o no estructurados, etc.

Qué se necesita conocer

Flujo de trabajo en Ciencia de Datos

Trabajo en Ciencias de Datos

Ciencia de datos: Modelamiento

[Todos los modelos son incorrectos, pero algunos son útiles]

Los Pingüinos de Palmer

Distribución por especie y sexo

Las tres especies de pingüinos

Un modelo de clasificación

• Separamos aleatoriamente a los datos: 75% para entrenar el modelo y 25% para probar el modelo.
• Usamos el algoritmo “Random Forest”, con validación cruzada repetida, por 3 veces
• Usaremos el modelo siguiente:
  • Especie = f(long. pico, ancho pico, long. aleta, peso)

Código del modelo de clasificación (en R)

set.seed(13579)
df <- penguins %>% select(species, 3:6)
# entrenamos con 75% de datos, probamos con 25%
index <- createDataPartition(df$species, p=0.75, list=FALSE)
penguins_train <- df[index,]
penguins_test <- df[-index,]
# hacemos validación cruzada, repetida, por 3 veces
ctrl <- trainControl(method="repeatedcv", repeats = 3)
model_rf <- train(x = penguins_train[, 2:5], y = penguins_train$species,
                  method = "rf", preProcess = c("center", "scale"),
                  trControl = ctrl, tuneLength = 20)
# aplicamos el modelo a los datos de prueba
penguins_test$pred <- predict(model_rf, penguins_test[, 2:5])

Evaluación visual del modelo

A tomar en cuenta al visualizar datos

Características de una visualización

• Mapear datos a los aspectos de un gráfico: Posición, forma, tamaño, color, grosor y tipo de líneas

Fuente: “Fundamentals of Data Visualization”, Claus Wilke

Objetivos de la visualización de datos

Graficar cantidades

Graficar distribuciones

Graficar proporciones

Graficar relaciones “x-y”

Graficar datos geoespaciales

Fuente: “Fundamentals of Data Visualization”, Claus Wilke

Graficar Incertidumbre

Gráficos de sector circular (“pie charts”)

En general, no son recomendables, a menos que se tengan pocos valores y, aún en ese caso, una tabla es mucho mas simple

Las tendencias parecen ser iguales

Pero en realidad, no lo son

No abusemos de la regresión lineal

Fuente: xkcd - “Linear Regression”

Y cuidado con correlaciones sin sentido

Fuente: http://tylervigen.com/spurious-correlations

Lo bueno, lo malo, lo feo y lo errado

Fuente: “Fundamentals of Data Visualization”, Claus Wilke

Un “pie chart” ininteligible 👎

Fuente: http://livingqlikview.com/the-9-worst-data-visualizations-ever-created/

Y otro más que no suma 100% 👎

Fuente: http://livingqlikview.com/the-9-worst-data-visualizations-ever-created/

Usar 3D en forma innecesaria 👎

Fuente: “Data Visualization”, Kieran Healy

Interconección por cables submarinos 👍

Fuente: Tyler Morgan-Wall, @tylermorganwall

Pista de Mario Kart 👍

Fuente: Cédric Scherer, @CedScherer

Mapa de relieve del Perú 👍

Fuente: https://twitter.com/researchremora/status/1453364770204180495?s=20, (Terence T., @researchremora en Twitter e Instagram)

Densidad poblacional en Perú 👍

Evolución de casos COVID-19 en Brasil 👍

Avance de vacunación COVID-19 👍

Efecto de la sequía en Kenya 👍

Fuente: HDX, https://data.humdata.org/visualization/horn-of-africa-humanitarian-operations/?c=KEN

Personas desplazadas por la guerra en Ucrania 👍

• URL de esta presentación: https://castagnetto.site/talks/202305-webinar-dataviz-upch/index.html
• Código, datos y gráficos de esta presentación: https://github.com/jmcastagnetto/jmc_talks/tree/master/202305-webinar-dataviz-upch/
• Contacto: Jesus M. Castagnetto, Ph.D.
  • Twitter: https://twitter.com/jmcastagnetto
  • Mastodon: https://mastodon.org/@jmcastagnetto
  • Github: https://github.com/jmcastagnetto